論文の概要: LAEF: A Lead-Agnostic ECG Foundation Model Towards Point-of-Care Diagnostics

• arxiv url: http://arxiv.org/abs/2608.03690v1
• Date: Tue, 04 Aug 2026 13:58:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.229441
• Title: LAEF: A Lead-Agnostic ECG Foundation Model Towards Point-of-Care Diagnostics
• Title（参考訳）: LAEF:ポイント・オブ・ケア診断に向けたリード非依存のECG基盤モデル
• Abstract要約: WeEF(Lead-Agnostic ECG Foundation)は、7M-ECG基盤モデルであり、ゼロpやゼロパッドの修正なしに任意のリードを捕捉できる。 我々は、リードサンプリングによるマスクノードモデリングにより、9.2Mの12リードECGをトレーニングし、LAEFはリード構成に頑健な表現を学習する。 ランダムにサンプリングされた1つのリードと2つのリードで18点中14点、平均的なAUROCゲイン+3.2ポイントで、すべてのゼロインパタンスデータセットを上回っている。
• 参考スコア（独自算出の注目度）: 11.969677810531152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point-of-care cardiac devices such as smartwatches and handheld ECG recorders typically capture 1--2 leads, yet existing ECG foundation models are architecturally constrained to fixed 12-lead inputs, degrading or failing under these reduced configurations. We introduce LAEF (Lead-Agnostic ECG Foundation), a 7M-parameter ECG foundation model that can natively process any lead subset without zero-padding or architectural modification. LAEF represents ECGs as variable-size spatiotemporal graphs with physiologically motivated intra- and inter-lead connectivity, processed by a Graph Attention Network that scales naturally with active lead count.Pre-trained on 9.2M 12-lead ECGs via masked node modelling with stochastic lead sampling, LAEF learns representations robust to lead configuration. Across 18 downstream datasets, LAEF is on par with specialized 12-lead baselines over 12$\times$ larger at full lead availability. Under direct point-of-care-oriented diagnostics (1--2 leads), it outperforms all zero-padded alternatives on 17 out of 18 datasets with with a single randomly sampled lead and on 14 out of 18 with 2 leads, with an average AUROC gain of +3.2 points. Representation analysis links this advantage to architectural lead-agnosticism, and a lead-importance study across 164 cardiovascular conditions shows population-level performance is stable across single standard input leads while still recovering established clinically lead-condition associations.
• Abstract（参考訳）: スマートウォッチやハンドヘルドECGレコーダーのような心電計のポイントオブケアデバイスは通常1--2のリードを捕捉するが、既存のECGファンデーションモデルは固定12リードの入力にアーキテクチャ的に制約されている。 LAEF(Lead-Agnostic ECG Foundation)は、7MパラメータのECG基盤モデルであり、ゼロパディングやアーキテクチャの変更なしに任意のリードサブセットをネイティブに処理できる。 LAEFは、能動リード数とともに自然にスケールするグラフアテンションネットワークによって処理され、生理学的に動機付けられたイントラリーとインターリードの接続性を持つ可変サイズの時空間グラフとしてECGを表現している。 18のダウンストリームデータセットで、LAEFは、12$\times$以上の特別な12リードベースラインと完全なリード可用性で同等である。 ダイレクト・ポイント・オブ・ケア指向診断(1--2リード)の下では、18のデータセットのうち17つのうち、ゼロパッドの代替品は1つのランダムサンプリングされたリードで、14つは2のリードで、平均的なAUROCの利得は+3.2ポイントである。 表現分析は、この利点を建築的鉛依存症と結び付けており、164の心血管疾患を対象とした鉛重要度調査では、確立された臨床的鉛状態の関連性を回復しつつ、単一の標準入力リードで個体群レベルのパフォーマンスが安定していることが示されている。

関連論文リスト

• ECG-LLM: Foundation Model for ECG-Based Cardiac Reasoning [50.82313761980655]
  ECG-LLMは186,409人を対象にした4つのコホート679,112のECG研究で訓練されたECG条件付き大言語モデルである。 ECG信号、臨床コンテキスト、CMR、ECHOから導かれる、臨床的に構造化された質問応答対をトレーニングする。 心拍数などの従来の心電図測定を成功させ、複雑なCMR由来の表現型を強く予測する。
  論文  参考訳（メタデータ） (2026-07-15T11:06:35Z)
• Learning Cardiac Latent Representations in Vectorcardiogram Space [54.12639543496968]
  既存の方法は、観測可能なECG信号空間でのみ動作する。 本稿では,VCG空間内で直接心臓電気活動の潜在性統一表現を学習することを提案する。 LVCGは、この物理的に接地された潜在空間で動作するように設計された、最初の汎用的な自己教師型表現学習フレームワークである。
  論文  参考訳（メタデータ） (2026-05-29T12:48:12Z)
• Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
  心電図による心臓の異常は, 長期分布により検出が困難である。 我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。 本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
  論文  参考訳（メタデータ） (2026-03-20T07:04:00Z)
• CLEF: Clinically-Guided Contrastive Learning for Electrocardiogram Foundation Models [13.613519337591507]
  シングルリードのECG記録は、臨床レベルのウェアラブルと消費者向けのウェアラブルの両方に統合されている。 未ラベルのECG上でのファンデーションモデルの自己教師付き事前トレーニングは診断性能を向上させるが、既存のアプローチでは臨床メタデータからドメイン知識を取り入れていない。 我々は,確立された臨床リスクスコアを用いて,ネガティブなペアを適応的に重み付けする,新しいコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2025-12-01T20:21:44Z)
• An Attention-Augmented VAE-BiLSTM Framework for Anomaly Detection in 12-Lead ECG Signals [0.0]
  12誘導心電図(ECGs)の異常検出は心血管疾患に伴う偏差の同定に重要である。 本稿では,VAE-BiLSTM-MHAアーキテクチャの心電図異常検出への応用について報告する。
  論文  参考訳（メタデータ） (2025-10-07T13:30:02Z)
• Translation from Wearable PPG to 12-Lead ECG [35.793551592077016]
  12誘導心電図(ECG)は、心臓血管モニタリングの標準規格である。 既存の12リードのECGシステムは、不安定なマルチ電極セットアップに依存しており、アンブロトリー環境での持続的な監視を制限している。 PPG信号から臨床的に有効な12誘導心電図を生成するために設計された,革新的な人口動態認識フレームワークであるP2Esを紹介する。
  論文  参考訳（メタデータ） (2025-09-29T20:36:24Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [44.50428701650495]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• Multimodal Latent Fusion of ECG Leads for Early Assessment of Pulmonary Hypertension [30.124231086488976]
  リード特異的心電図マルチモーダル変分オートエンコーダ(textscLS-EMVAE)を提案する。 textscLS-EMVAEには階層的モダリティエキスパート(HiME)融合機構と遅延表現アライメント損失が組み込まれている。 6L-ECG設定で2つの振り返りコホートでtextscLS-EMVAEを検証する。
  論文  参考訳（メタデータ） (2025-03-03T16:16:38Z)
• Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture [0.0]
  本稿では,12誘導ECG分析のための自己教師型学習モデルECG-JEPAを紹介する。 隠れた潜在空間で予測することで、ECGデータのセマンティック表現を学習する。 ECG-JEPAは、ECG分類や特徴予測を含む様々な下流タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-11T06:30:48Z)
• Multi-Channel Masked Autoencoder and Comprehensive Evaluations for Reconstructing 12-Lead ECG from Arbitrary Single-Lead ECG [19.74009541199362]
  本研究では、任意のシングルリードECGから12リードECGを再構成するためのマルチチャネルマスク付きオートエンコーダ(MCMA)を提案する。 信号レベル評価では,平均平方誤差0.0317,0.1034,ピアソン相関係数0.7885,0.7420であった。 特徴レベル評価では、生成した12リード心電図の平均心拍数の平均標準偏差は1.0481であり、変動係数は1.58%、範囲は3.2874である。
  論文  参考訳（メタデータ） (2024-07-16T08:17:45Z)
• ECGNet: A generative adversarial network (GAN) approach to the synthesis of 12-lead ECG signals from single lead inputs [0.0]
  ECGNetは、単一のリード入力から12リードのECG信号の完全なセットを生成するプロシージャである。 私たちの知る限りでは、ECGNetは1つのリードの入力から残りの11のリードを最初に予測します。
  論文  参考訳（メタデータ） (2023-09-23T16:43:31Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。